當(dāng)前位置：首頁 > 编程语言 > python >内容正文

python

武汉市房价数据挖掘与可视化分析（Python）

發(fā)布時(shí)間：2023/12/20 python 43 豆豆

生活随笔收集整理的這篇文章主要介紹了武汉市房价数据挖掘与可视化分析（Python）小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

?引言

本文使用Python Matplotlib、Pyecharts、Seaborn、Plotl，以及百度提供的繪制可視化地圖接口BMap等工具，對(duì)武漢市14個(gè)區(qū)的房?jī)r(jià)數(shù)據(jù)進(jìn)行可視化分析，繪制了房?jī)r(jià)分布熱力地圖、房?jī)r(jià)分布旭日?qǐng)D等眾多圖表，數(shù)據(jù)來源為使用Python Scrapy 和 Selenium 從鏈家、貝殼網(wǎng)上爬取的房?jī)r(jià)及其相關(guān)數(shù)據(jù)，共5056條數(shù)據(jù)。

數(shù)據(jù)預(yù)覽：

?數(shù)據(jù)地址：

武漢市各區(qū)房?jī)r(jià)分布數(shù)據(jù)集-數(shù)據(jù)挖掘文檔類資源-CSDN下載本數(shù)據(jù)集為使用PythonScrapy、Selenium從鏈家、貝殼網(wǎng)爬取的武漢市房?jī)r(jià)及其相關(guān)數(shù)據(jù)更多下載資源、學(xué)習(xí)資料請(qǐng)?jiān)L問CSDN下載頻道.https://download.csdn.net/download/qq_52181283/85863824數(shù)據(jù)字段：

小區(qū)名稱

均價(jià)

區(qū)域

板塊

地鐵

地址

建筑年代

建筑類型

物業(yè)費(fèi)用

物業(yè)公司

開發(fā)商

樓棟總數(shù)

房屋總數(shù)

經(jīng)度_百度坐標(biāo)

維度_百度坐標(biāo)

經(jīng)度_WGS1984坐標(biāo)

緯度_WGS1984坐標(biāo)

作者：A WHU SIMer

?引言

一、運(yùn)用的可視化工具簡(jiǎn)介

1.1 Matplotlib

?1.2 Pyecharts

1.3?Seaborn

1.4?Plotly

1.5?BMap

二、數(shù)據(jù)預(yù)處理

2.1?導(dǎo)入相關(guān)包、讀取數(shù)據(jù)并查看數(shù)據(jù)基本情況

2.2 地鐵字段處理

2.3?建筑年代字段處理

2.4?建筑類型字段處理

2.5?物業(yè)費(fèi)用字段處理

2.6 樓棟總數(shù)與房屋總數(shù)字段處理

2.7?保存處理好的數(shù)據(jù)并查看其信息

三、數(shù)據(jù)分析可視化

3.1?全市房?jī)r(jià)總體分布地圖

3.2?全市房?jī)r(jià)總體分布直方圖

3.3?各區(qū)房?jī)r(jià)分布箱型圖

3.4?各區(qū)房?jī)r(jià)中位數(shù)柱形圖

3.5?房源到市中心距離、建筑類型、物業(yè)費(fèi)用與房?jī)r(jià)關(guān)系散點(diǎn)圖

3.6?各區(qū)各板塊房?jī)r(jià)分布旭日?qǐng)D

3.7?全市房?jī)r(jià)分布熱力地圖

四、月收入1萬左右的買房建議

一、運(yùn)用的可視化工具簡(jiǎn)介

1.1 Matplotlib

Matplotlib 是一個(gè) Python 2D 繪圖庫(kù)，同時(shí)它也提供了一部分 3D 繪圖接口。 Matplotlib 是 Python 中最受歡迎的數(shù)據(jù)可視化軟件包之一，通常與 NumPy、 Pandas 一起使用，只需幾行代碼就可以生成圖表、直方圖、功率譜、條形圖、誤差圖、散點(diǎn)圖等，是數(shù)據(jù)分析中不可或缺的重要工具之一。本文使用matplotlib參與繪制房?jī)r(jià)直方圖、箱型圖、條形圖、散點(diǎn)圖。

Matplotlib — Visualization with Pythonhttps://matplotlib.org/

?1.2 Pyecharts

Pyecharts ( https://pyecharts.org )是一個(gè) Python Echarts 繪圖庫(kù)，Python 是一門富有表達(dá)力的語言，很適合用于數(shù)據(jù)處理，Echarts 是一個(gè)由百度開源的用于快速構(gòu)建基于 Web 的可視化的聲明式框架，憑借著其良好的交互性，精巧的圖表設(shè)計(jì)，得到了眾多開發(fā)者的認(rèn)可，當(dāng)數(shù)據(jù)分析遇上數(shù)據(jù)可視化時(shí)，pyecharts 便誕生了。Pyecharts 囊括了 30 多種常見圖表，可以說應(yīng)有盡有，通過高度靈活的配置項(xiàng)，可輕松搭配出精美的圖表。本文使用Pyecharts繪制了全市房?jī)r(jià)總體分布地圖。

pyecharts - A Python Echarts Plotting Library built with love.Descriptionhttps://pyecharts.org/#/zh-cn/intro

1.3?Seaborn

Seaborn是基于matplotlib的圖形可視化python包。它提供了一種高度交互式界面，便于用戶能夠做出各種有吸引力的統(tǒng)計(jì)圖表。Seaborn是在Matplotlib的基礎(chǔ)上進(jìn)行了更高級(jí)的API封裝，從而使得作圖更加容易，在大多數(shù)情況下使用seaborn能做出很具有吸引力的圖。同時(shí)它能高度兼容numpy與pandas數(shù)據(jù)結(jié)構(gòu)以及scipy與statsmodels等統(tǒng)計(jì)模式。本文使用Seaborn繪制了全市房?jī)r(jià)總體分布直方圖、各區(qū)房?jī)r(jià)分布箱型圖、各區(qū)房?jī)r(jià)中位數(shù)柱形圖、樓房離市中心的距離與價(jià)格關(guān)系散點(diǎn)圖。

seaborn: statistical data visualization — seaborn 0.11.2 documentationhttps://seaborn.pydata.org/

1.4?Plotly

Plotly是一個(gè)在快速完善并崛起的交互式、開源的繪圖庫(kù)，Python plotly庫(kù)是它的一個(gè)重要分支。現(xiàn)已支持超過40種獨(dú)特的圖表類型，涵蓋了廣泛的統(tǒng)計(jì)、金融、地理、科學(xué)和三維用例。Plotly 通過JavaScript構(gòu)建，能基于Web顯示實(shí)現(xiàn)交互式的可視化效果，所以它的圖形可以方便地顯示在Jupyter notebook以及獨(dú)立的html中。本文使用plotly繪制了各區(qū)各板塊房?jī)r(jià)分布旭日?qǐng)D。

Plotly: The front end for ML and data science modelsDash apps go where traditional BI cannot: NLP, object detection, predictive analytics, and more. With 1M+ downloads/month, Dash is the new standard for AI & data science apps.https://plotly.com/

1.5?BMap

BMap是百度地圖提供的繪制地圖可視化圖表接口，需要在百度地圖中注冊(cè)應(yīng)用并獲取密鑰后才可調(diào)用百度map API來繪制地圖熱力圖。使用BMap的方法有兩種：一是使用python.pyecharts.charts 中BMap庫(kù)，二是在html頁面中使用JavaScript創(chuàng)建BMap對(duì)象。本文使用方式二來繪制全市房?jī)r(jià)分布熱力地圖。

jspopularGL | 百度地圖API SDKhttps://lbsyun.baidu.com/index.php?title=jspopularGL

二、數(shù)據(jù)預(yù)處理

2.1?導(dǎo)入相關(guān)包、讀取數(shù)據(jù)并查看數(shù)據(jù)基本情況

數(shù)據(jù)預(yù)處理部分，只需要用到pandas，即可完成對(duì)各字段數(shù)據(jù)的處理，如缺失值、更改數(shù)據(jù)格式等。

import pandas as pd # 讀取數(shù)據(jù) data = pd.read_excel("武漢市房?jī)r(jià)數(shù)據(jù).xlsx") #查看數(shù)據(jù)基本信息 print(data) print(data.info())

?可以看到總共有5056條樓房樣本信息，共有17個(gè)字段，用小區(qū)樓房的平均價(jià)格來代表該小區(qū)樓價(jià)水平。其中地鐵字段存在較多缺失值，“樓棟總數(shù)”、“房屋總數(shù)”字段的數(shù)據(jù)類型本應(yīng)為數(shù)值型，但是從上圖中兩者的數(shù)據(jù)類型為對(duì)象，說明存在一些問題，其他字段在用于可視化之前也或多或少存在需要修改的地方，下文將描述具體修改措施。

2.2 地鐵字段處理

# 地鐵字段處理，提取地鐵線路數(shù)字： metro = [] for i in range(len(data["地鐵"])):metroStation = data["地鐵"][i]if pd.isnull(metroStation): # 當(dāng)不存在地鐵時(shí)metro.append(0) # 0 表示附近無地鐵站else: # 當(dāng)存在地鐵時(shí)，提取地鐵編號(hào)lineNum = metroStation[metroStation.index("鐵") + 1: metroStation.index("號(hào)")]metro.append(int(lineNum)) data["metro"] = metro data.drop('地鐵',axis=1,inplace=True) # 刪除原有的“地鐵字段” print(data[0:10]) print(data.info())

由于地鐵字段存在較多缺失值，若將缺失值刪除，則會(huì)使樣本數(shù)據(jù)量大大降低，遂采取補(bǔ)的方式，用0代替缺失值。并對(duì)有地鐵的單元格提取地鐵編號(hào)，如“近地鐵3號(hào)線王家灣站”提取的地鐵編號(hào)為3，保存在新字段metro中。

2.3?建筑年代字段處理

year = [] for i in range(len(data["建筑年代"])):yearNum = data["建筑年代"][i]if yearNum == "暫無信息":year.append(0) # 0 代表未知else:year.append(int(yearNum[0:-1])) data["year"] = year data.drop('建筑年代',axis=1,inplace=True) print(data[["小區(qū)名稱","year"]][0:10]) print(data.info())

?建筑年代字段原格式為“***年”，而且存在間接意義上的缺失值“暫無信息”，所以用0表示“暫無信息”，提取年份來表示“***年”，這樣便于可視化時(shí)的計(jì)算。

2.4?建筑類型字段處理

?可以看到建筑類型字段存在多種值：“板樓”、“塔樓”、“板樓/塔板結(jié)合”、“未知類型”、“塔板結(jié)合”、“塔樓/板樓”······但是歸根究底是只有四種值，即未知類型、板樓、塔樓、板塔結(jié)合。所以分別用0，1，2，3分別表示這四種值。

buildingType = [] for i in range(len(data["建筑類型"])):type = data["建筑類型"][i]if type == "未知類型":buildingType.append(0)# print(0)elif type == "板樓":buildingType.append(1)# print(1)elif type == "塔樓":buildingType.append(2)# print(2)else:buildingType.append(3)# print(3) data["buildingType"] = buildingType data.drop('建筑類型',axis=1,inplace=True) print(data[["小區(qū)名稱","buildingType"]][0:10]) print(data.info())

2.5?物業(yè)費(fèi)用字段處理

?可以看到“物業(yè)費(fèi)用”字段的值存在一定的規(guī)律性，即以“元/平米/月”結(jié)尾，存在固定費(fèi)用和區(qū)間費(fèi)用兩者形式。所以對(duì)于固定費(fèi)用，提取固定費(fèi)用數(shù)值，對(duì)于區(qū)間費(fèi)用，用中間值代表，對(duì)于“暫無信息”則用-1代表（不用0表示，是因?yàn)榭紤]到物業(yè)費(fèi)為0的情況，而且0在此處也不適合表示缺失值）。

propertyExpense = [] for i in range(len(data["物業(yè)費(fèi)用"])):expense = data["物業(yè)費(fèi)用"][i]if expense == "暫無信息":propertyExpense.append(-1)# print(-1)elif "至" in expense:minPrice = float(expense[0 : expense.index("至")])maxPrice = float(expense[expense.index("至")+1 : expense.index("元")])price = round((minPrice+maxPrice)/2, 2)propertyExpense.append(price)# print(price)else:price = float(expense[0 : expense.index("元")])propertyExpense.append(price)# print(price) data["propertyExpense"] = propertyExpense data.drop('物業(yè)費(fèi)用',axis=1,inplace=True) print(data[["小區(qū)名稱","propertyExpense"]][0:10]) print(data.info())

2.6 樓棟總數(shù)與房屋總數(shù)字段處理

?可以看到“樓棟總數(shù)”與“房屋總數(shù)”字段的數(shù)據(jù)分別以“棟”和“戶”字結(jié)尾，為方便計(jì)算，遂刪除這兩字，并將數(shù)據(jù)改為數(shù)值型。

# 樓棟總數(shù)字段處理，去掉”棟“字，將字段值的類型改為數(shù)值型 data["樓棟總數(shù)"] = data["樓棟總數(shù)"].apply(lambda x: int(x[0:-1])) # 房屋總數(shù)字段處理，去掉”戶“字，將字段值的類型改為數(shù)值型 data["房屋總數(shù)"] = data["房屋總數(shù)"].apply(lambda x: int(x[0:-1])) print(data.info()) print(data[["小區(qū)名稱","樓棟總數(shù)", "房屋總數(shù)"]])

2.7?保存處理好的數(shù)據(jù)并查看其信息

保存預(yù)處理后的數(shù)據(jù)是為了方便在可視化時(shí)直接讀取新數(shù)據(jù)文件，而不用每次用時(shí)都得再進(jìn)行一次數(shù)據(jù)預(yù)處理過程。

data.to_csv("WuHan.csv", encoding="utf8",index=False) newData = pd.read_csv("WuHan.csv") print(newData.info())

三、數(shù)據(jù)分析可視化

【注意】：以下房?jī)r(jià)簡(jiǎn)稱x，具體含義為：x元/平方米，如1萬，表示1萬元/平方米。

3.1?全市房?jī)r(jià)總體分布地圖

繪制pyecharts.charts.Geo用于地圖，所用的坐標(biāo)為“經(jīng)度_百度坐標(biāo)”和“緯度_百度坐標(biāo)”，繪制的圖表如下：

?從上圖，可以總體看出房源集中在近長(zhǎng)江的武昌區(qū)、漢陽區(qū)、硚口區(qū)、江漢區(qū)、江岸區(qū)、洪山區(qū)。位于武漢市中部長(zhǎng)江兩岸的房?jī)r(jià)是相對(duì)較高的，在3、4萬以上。1萬到2萬的房源是最多的，并且緊圍著中心高價(jià)房區(qū)。1萬以下的房源主要分布在蔡甸區(qū)、黃陂區(qū)、新洲區(qū)和江夏區(qū)，距離武漢市中心較遠(yuǎn)，并且這四個(gè)區(qū)中，江夏區(qū)的房?jī)r(jià)較高，這也側(cè)面說明江夏區(qū)的經(jīng)濟(jì)實(shí)力要高于其他三個(gè)。

?代碼：

import pyecharts import pandas as pd from pyecharts.charts import Geo from pyecharts import options as opts from pyecharts.datasets import register_url from pyecharts.globals import ThemeType from pyecharts.globals import GeoTypedata = pd.read_csv("WuHan.csv", encoding="utf8") dataList = data.to_dict(orient='records') try:register_url("https://echarts-maps.github.io/echarts-china-counties-js/") except Exception:import sslssl._create_default_https_context = ssl._create_unverified_contextregister_url("https://echarts-maps.github.io/echarts-china-counties-js/") geo=Geo(init_opts=opts.InitOpts(theme=ThemeType.DARK,width="100%",height="700px",page_title="武漢市2018年房?jī)r(jià)數(shù)據(jù)可視化",bg_color="black"))geo.add_schema(maptype='武漢',label_opts=opts.LabelOpts(is_show=True),itemstyle_opts=opts.ItemStyleOpts(color="black", border_color="#1E90FF", border_width=1.5))data_pair = [] for item in dataList:name = item["小區(qū)名稱"]value = item["均價(jià)"]longitude = item["經(jīng)度_百度坐標(biāo)"]latitude = item["緯度_百度坐標(biāo)"]# 將樓房坐標(biāo)添加到地圖中g(shù)eo.add_coordinate(name, longitude, latitude)data_pair.append((name, value)) # 添加數(shù)據(jù)項(xiàng)，即為地圖中樓房位置賦值 geo.add("房?jī)r(jià)",data_pair=data_pair,type_="scatter",symbol_size=1.5,is_large=True,) # 配置分組顏色 pricePieces = [{"max": 10000, "label":"1W以下", "color": "#F0F0BF"},{"min": 10000, "max": 20000, "label": "1W~2W", "color": "#08830A"},{"min": 20000, "max": 30000, "label": "2W~3W", "color": "#EA760F"},{"min": 30000, "max": 40000, "label": "3W~4W", "color": "#E800FF"},{"min": 40000, "label": "4W以上", "color": "#FF0005"}, ] geo.js_dependencies.add("echarts-gl") geo.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) geo.set_global_opts(title_opts=opts.TitleOpts(title="武漢市2018年房?jī)r(jià)數(shù)據(jù)可視化", pos_left="left", title_textstyle_opts=opts.TextStyleOpts(color="red")),visualmap_opts=opts.VisualMapOpts(is_piecewise=True, pieces=pricePieces)) geo.render("武漢Geo.html")

3.2?全市房?jī)r(jià)總體分布直方圖

使用seaborn繪制的全部樣本房?jī)r(jià)分布直方圖如下。從下圖可以估計(jì)出武漢市房?jī)r(jià)集中在4千~4萬的區(qū)間內(nèi)，其中1萬到2.5萬的房源占多數(shù)。4萬以上的房源鳳毛麟角，最高的接近8萬，結(jié)合3.1圖1可知這些高價(jià)房源位于武昌區(qū)、漢陽區(qū)、硚口區(qū)、江漢區(qū)、江岸區(qū)。

?代碼：

print(data["均價(jià)"].max()) # 查看總體房?jī)r(jià)直方圖---------------------------- sns.displot(data["均價(jià)"],kde_kws={"color": "r", "lw": 1, "label": "KDE"},color="purple") plt.title("全市房?jī)r(jià)總體分布直方圖") plt.show()

3.3?各區(qū)房?jī)r(jià)分布箱型圖

使用seaborn繪制的武漢市各區(qū)房?jī)r(jià)分布箱型圖如下。圖表中已按各區(qū)房?jī)r(jià)中位數(shù)的大小對(duì)各區(qū)進(jìn)行降序排序，因此可以直觀看出房?jī)r(jià)中位數(shù)排名前三的區(qū)分別為：武昌區(qū)、洪山區(qū)、江岸區(qū)，其房?jī)r(jià)中位數(shù)接近2萬。

從異常值角度上分析，可以得出洪山區(qū)、江岸區(qū)、江漢區(qū)各自區(qū)域內(nèi)房?jī)r(jià)差異較大，高價(jià)的房源價(jià)格甚至可以達(dá)到7萬或8萬，而低價(jià)的房源最低約在5千左右。從下圖中還可以確定本次統(tǒng)計(jì)的全部樣本中，房?jī)r(jià)最高的房源在江漢區(qū)。

?代碼：

my_order = data.groupby(by=["區(qū)域"])["均價(jià)"].median().sort_values(ascending=False).index print(data.groupby(by=["區(qū)域"])["均價(jià)"].median().sort_values(ascending=False)) print(my_order) # sns.catplot(x='區(qū)域', y='均價(jià)', data=data, order=my_order, kind="violin") # 繪制小提琴圖 sns.boxplot(x='區(qū)域', y='均價(jià)', data=data, order=my_order) plt.title("各區(qū)房?jī)r(jià)箱型圖") plt.show()

3.4?各區(qū)房?jī)r(jià)中位數(shù)柱形圖

使用seaborn繪制的武漢市各區(qū)房?jī)r(jià)中位數(shù)柱形圖如下。由于當(dāng)一組數(shù)據(jù)差異性較大時(shí)，中位數(shù)比平均數(shù)能更好地代表這組數(shù)據(jù)的中等水平，遂使用中位數(shù)作為評(píng)價(jià)指標(biāo)。從下圖中，不僅能直觀看出各區(qū)房?jī)r(jià)中位數(shù)的排名情況，也能直觀比較它們房?jī)r(jià)中位數(shù)之間的差距。此外，在武漢市的14個(gè)區(qū)中，只有蔡甸區(qū)和新洲區(qū)的房?jī)r(jià)中位數(shù)在1萬以下，說明武漢房?jī)r(jià)總體偏高。

?代碼：

x = data.groupby(by=["區(qū)域"])["均價(jià)"].median().sort_values(ascending=False).index y = data.groupby(by=["區(qū)域"])["均價(jià)"].median().sort_values(ascending=False).values ax = sns.barplot(x,y) print(data.groupby(by=["區(qū)域"])["均價(jià)"].median().sort_values(ascending=False).reset_index()) for index,row in data.groupby(by=["區(qū)域"])["均價(jià)"].median().sort_values(ascending=False).reset_index().iterrows():ax.text(row.name, row["均價(jià)"], row["均價(jià)"],color="red", ha="center") plt.title("各區(qū)房?jī)r(jià)中位數(shù)柱形圖") plt.show()

3.5?房源到市中心距離、建筑類型、物業(yè)費(fèi)用與房?jī)r(jià)關(guān)系散點(diǎn)圖

使用seaborn繪制的武漢市房源到市中心距離、建筑類型、物業(yè)費(fèi)用與房?jī)r(jià)關(guān)系散點(diǎn)圖如下。本文設(shè)定武漢市政府所在位置為武漢市中心，其百度坐標(biāo)為：(114.311754, 30.598604)。利用房源的百度坐標(biāo)和武漢市政府位置坐標(biāo)來計(jì)算房源到武漢市政府的實(shí)際距離，其計(jì)算公式如下：

設(shè)地球上任意兩個(gè)點(diǎn)的坐標(biāo)分別為（X1,Y1）、（X2,Y2），其中X1、X2為經(jīng)度，Y1、Y2為緯度，且已知地球赤道半徑R= 6371.0 km，則這兩點(diǎn)之間的距離d計(jì)算式為：

d= R*arcos[cos(Y1)*cos(Y2)*cos(X1-X2)+sin(Y1)*sin(Y2)]

利用“黃金口岸”小區(qū)來驗(yàn)證計(jì)算結(jié)果的正確性，計(jì)算結(jié)果與測(cè)距結(jié)果一致。

從上圖可以看出房?jī)r(jià)與房源到武漢中心的距離成負(fù)相關(guān)關(guān)系，大部分房源到武漢市中心的距離在20km以內(nèi)。此外，板樓結(jié)構(gòu)的房源較多，價(jià)格在4萬以上的房源幾乎均為板樓或者塔板結(jié)合結(jié)構(gòu)，說明板樓更受買房者的青睞。這與板樓的特性有直接聯(lián)系。板樓大多是正南北方向，南北通透，便于采光與通風(fēng)，而且戶型方正，平面布局合理，各功能空間尺度適宜，其相對(duì)于塔樓有著采光好、密度低、管理成本低的優(yōu)點(diǎn)，這就意味著板樓的售價(jià)往往要高于塔樓，上圖也可以證明這一點(diǎn)。

代碼：

centerPoint = (114.311754, 30.598604) R = 6371 data["distance"] = data[["經(jīng)度_百度坐標(biāo)", "緯度_百度坐標(biāo)"]].apply(lambda x: math.fabs(R*math.acos(math.cos(x["緯度_百度坐標(biāo)"]*math.pi/180)*math.cos(centerPoint[1]*math.pi/180)*math.cos(x["經(jīng)度_百度坐標(biāo)"]*math.pi/180-centerPoint[0]*math.pi/180)+math.sin(x["緯度_百度坐標(biāo)"]*math.pi/180)*math.sin(centerPoint[1]*math.pi/180))),axis=1) print(data[["經(jīng)度_百度坐標(biāo)", "緯度_百度坐標(biāo)", "distance"]]) data["buildingType"].loc[data["buildingType"] == 0] = "未知類型" data["buildingType"].loc[data["buildingType"] == 1] = "板樓" data["buildingType"].loc[data["buildingType"] == 2] = "塔樓" data["buildingType"].loc[data["buildingType"] == 3] = "板塔結(jié)合" sns.scatterplot(data=data,x='distance',y='均價(jià)',hue="buildingType", # 設(shè)置分組顏色style='區(qū)域', # 設(shè)置分組樣式size='propertyExpense' # 設(shè)置分組大小) plt.title("樓房離市中心的距離與價(jià)格散點(diǎn)圖") plt.show()

3.6?各區(qū)各板塊房?jī)r(jià)分布旭日?qǐng)D

使用plotly繪制的武漢市各區(qū)各板塊房?jī)r(jià)分布旭日?qǐng)D如下。從圖1中可以一眼看出武昌區(qū)的水果湖板塊房?jī)r(jià)中位數(shù)值最大，其次是洪山區(qū)的楚河漢街板塊和武昌區(qū)的楚河漢街板塊。點(diǎn)擊“洪山”，查看洪山區(qū)各板塊房?jī)r(jià)中位數(shù)占比情況，如圖2，可以看到，隨著板塊到武漢市中心的距離的增大，板塊內(nèi)的房?jī)r(jià)在逐步下降。

?代碼：

newdata = data.groupby(["區(qū)域", "板塊"])["均價(jià)"].median().reset_index() print(newdata) chart = express.sunburst(newdata,path=["區(qū)域", "板塊"], values="均價(jià)", color="均價(jià)", title="各區(qū)各板塊房?jī)r(jià)中位數(shù)旭日?qǐng)D") chart.show()

3.7?全市房?jī)r(jià)分布熱力地圖

為了更加直觀地展現(xiàn)每一個(gè)房源的地理與價(jià)格之間的關(guān)系，本文調(diào)用了百度JavaScript開發(fā)API，來在html頁面中繪制武漢市地圖，并根據(jù)各房源的百度坐標(biāo)將房源展示在地圖上，并用顏色的深淺來表示其價(jià)格的高低，以此形成全市的房?jī)r(jià)分布熱力地圖。

繪制結(jié)果如下：

（圖1）

?（圖2）

?（圖3）

從圖1中可以總體上看出房源主要分布在武漢市四環(huán)線以內(nèi)，外圍的房源集中區(qū)域則分布在黃陂區(qū)、蔡甸區(qū)、江夏區(qū)和新洲區(qū)，這與3.1圖1的顯示結(jié)果一致。

從圖2中可以看出，長(zhǎng)江北岸的高價(jià)房源要多于南岸的高價(jià)房源。長(zhǎng)江北岸的高價(jià)房源分布在北岸的幾個(gè)商業(yè)區(qū)中，而南岸的高級(jí)房源分布在高校和商業(yè)區(qū)之間。長(zhǎng)江南岸的房源明顯分布在地鐵線路的兩邊。

從圖3中可以看出，緊靠政府機(jī)構(gòu)、教育機(jī)構(gòu)、醫(yī)療機(jī)構(gòu)、主干道等的房源價(jià)格要比一般的房源價(jià)格高。

代碼：

HTML，（ak=你的密鑰）

<!DOCTYPE html> <html> <head><meta http-equiv="Content-Type" content="text/html; charset=utf-8" /><meta name="viewport" content="initial-scale=1.0, user-scalable=no" /><script type="text/javascript" src="http://api.map.baidu.com/api?v=2.0&ak=*****************9C"></script><script type="text/javascript" src="http://api.map.baidu.com/library/Heatmap/2.0/src/Heatmap_min.js"></script><script src="https://code.jquery.com/jquery-3.1.1.min.js"></script><script src="jquery-csv.js"></script><script src="getData.js"></script><title>武漢市房?jī)r(jià)分布熱力地圖</title><style type="text/css">ul,li {list-style: none;margin: 0;padding: 0;float: left;}html {height: 100%}body {height: 100%;margin: 0px;padding: 0px;font-family: "微軟雅黑";}#container {height: 90%;width: 100%;}#r-result {width: 100%;}</style> </head><body><div id="container"></div><div id="r-result"><input type="button" onclick="openHeatmap();" value="顯示熱力圖" /><input type="button" onclick="closeHeatmap();"value="關(guān)閉熱力圖" /></div> </body></html> <script type="text/javascript">var map = new BMap.Map("container"); // 創(chuàng)建地圖實(shí)例var point = new BMap.Point(114.311754, 30.598604);map.centerAndZoom(point, 12); // 初始化地圖，設(shè)置中心點(diǎn)坐標(biāo)和地圖級(jí)別map.enableScrollWheelZoom(); // 允許滾輪縮放var data = getData()console.log(data)var points = dataif (!isSupportCanvas()) {alert('熱力圖目前只支持有canvas支持的瀏覽器,您所使用的瀏覽器不能使用熱力圖功能~')}heatmapOverlay = new BMapLib.HeatmapOverlay({ "radius": 10 });map.addOverlay(heatmapOverlay);heatmapOverlay.setDataSet({ data: points, max: 90000 });//是否顯示熱力圖function openHeatmap() {heatmapOverlay.show();}function closeHeatmap() {heatmapOverlay.hide();}closeHeatmap();function setGradient() {var gradient = {};var colors = document.querySelectorAll("input[type='color']");colors = [].slice.call(colors, 0);colors.forEach(function (ele) {gradient[ele.getAttribute("data-key")] = ele.value;});heatmapOverlay.setOptions({ "gradient": gradient });}//判斷瀏覽區(qū)是否支持canvasfunction isSupportCanvas() {var elem = document.createElement('canvas');return !!(elem.getContext && elem.getContext('2d'));} </script>

getData.js

function getData() {var points = [ {'lat': 30.590072, 'lng': 114.176442, 'count': 10001} , {'lat': 30.590072, 'lng': 114.176442, 'count': 10001} , {'lat': 30.881746472273, 'lng': 114.39374109924, 'count': 10008} , {'lat': 30.881746472273, 'lng': 114.39374109924, 'count': 10008} , {'lat': 30.49259, 'lng': 114.292619, 'count': 10078} , {'lat': 30.49259, 'lng': 114.292619, 'count': 10078} , {'lat': 30.585092, 'lng': 114.048935, 'count': 10084} , ......... .........] // 5056 條房源經(jīng)緯度值，以及房?jī)r(jià)：countreturn points }

四、月收入1萬左右的買房建議

武漢市只有蔡甸區(qū)和新洲區(qū)的房?jī)r(jià)中位數(shù)在1萬以下，若要在四環(huán)線以內(nèi)買房，房?jī)r(jià)大概率會(huì)高于1萬元，再結(jié)合實(shí)際月收入，可以考慮購(gòu)買中等水平房?jī)r(jià)的房源，即房?jī)r(jià)在1萬~2萬之間。在這個(gè)房?jī)r(jià)區(qū)間內(nèi)的房源數(shù)量最多，則可選擇性多，而且在4環(huán)線以內(nèi)，離市中心不算太遠(yuǎn)。再深入分析，可以發(fā)現(xiàn)長(zhǎng)江北岸的綠色房源均位于商業(yè)區(qū)外圍，而南岸的綠色房源有少數(shù)甚至在中心商業(yè)區(qū)內(nèi)，而且南岸高校眾多，文化氣息更加濃厚。因此建議在長(zhǎng)江南岸、靠近高校、離主干道較近的位置購(gòu)買房?jī)r(jià)在1萬到2萬的房子。若購(gòu)買面積為100平方米，則總費(fèi)用在100萬到200萬之間，則不吃不喝工作約8年到17年可以付清。

總結(jié)

以上是生活随笔為你收集整理的武汉市房价数据挖掘与可视化分析（Python）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。